Die Snowflake-Geschichte, die wir noch nicht erzählen können

In jedem Pub in Dublin gibt es diesen einen Stammgast, der eine großartige Geschichte ankündigt, dann noch ein Bier bestellt und nie zur Pointe kommt. Das trifft es ungefähr, wenn man einem Money Morning-Artikel mit der Überschrift „Snowflake SNOW AI Growth Engine Earnings Surge September 2026" nachjagt und dort nichts vorfindet als den Seitenkopf. Das Glas steht auf dem Tresen. Die Geschichte kam nie.

Dieser Artikel wird also ungewöhnlich sein. Anstatt so zu tun, als hätte ich Zahlen, die ich nicht habe, möchte ich darüber sprechen, was die Abwesenheit selbst aussagt – und was erfahrene Data-Professionals rund um Snowflake, AI-Workloads und den Analytics-Stack gerade wirklich beobachten sollten. Das Glas ist leer. Reden wir über den Pub.

Die wesentlichen Fakten

Hier ist die ehrliche Version: Money Morning präsentierte den Artikel am 4. September 2026, die URL deutete auf eine fundierte Ergebnisanalyse von Snowflake unter dem Ticker SNOW hin, gerahmt um KI als Wachstumsmotor. Die Seite selbst enthielt zum Zeitpunkt der Recherche nur den Namen der Publikation. Keine Umsatzzahl. Kein Guidance-Zitat. Kein Produkt-Callout. Kein CFO-Kommentar. Nichts.

Das ist der gesamte Umfang des verifizierten Quellmaterials. Ich werde keine Erwartungserfüllung, keinen Verfehler, keine Verbrauchskennzahl und keine Cortex-Adoptionsstatistik erfinden, um die Lücke zu füllen. Wer schon einmal mit einer schlecht belegten Ergebnisnotiz schlechte Erfahrungen gemacht hat, weiß warum: Sobald man eine Zahl erfindet, wird die gesamte Analyse wertlos – und schlimmer noch, aktiv gefährlich, wenn ein Leser darauf basierend handelt oder plant.

Was wir mit Sicherheit sagen können, ist kontextueller, nicht faktischer Natur. Snowflake wird unter SNOW gehandelt. Es ist eine Cloud-Datenplattform. Sie konkurriert mit Databricks, BigQuery, Redshift und zunehmend mit der Open-Lakehouse-Bewegung auf Basis von Iceberg und Delta. Das Consumption-Preismodell, das in der Snowflake-Dokumentation gut beschrieben ist, bedeutet, dass der Umsatz jedes Quartals eine direkte Funktion des tatsächlich genutzten Compute-Volumens der Kunden ist. Diese strukturelle Tatsache ist es, die eine AI-Workload-Geschichte grundsätzlich so interessant macht: KI-Inferenz und -Training sind rechenintensiv auf eine Weise, wie es traditionelle BI-Dashboards nie waren.

Aber „grundsätzlich" leistet dort viel Arbeit. Ohne die tatsächlich gemeldeten Zahlen, ohne Segmentaufschlüsselungen, ohne den Guidance-Bereich kommentieren wir die Form des Pubs, nicht die Geschichte, die der Stammgast erzählen wollte. Der Rest dieses Artikels behandelt die Schlagzeile daher als Denkanstoß: Was müssten Data-Teams wissen, wenn Snowflake im September 2026 tatsächlich einen KI-getriebenen Anstieg verzeichnet hat – und was sollten sie unabhängig davon tun, ob das Quartal ein Beat oder ein Bust war?

Warum das für Data-Teams relevant ist

Hier ist der Kern der Sache. Snowflakes Quartalszahlen sind das Nächste, was die Analytics-Welt einem Echtzeit-Indikator hat, der zeigt, wie viel AI-Workload tatsächlich auf verwalteten Warehouses landet – und wie viel zu günstigeren Alternativen abwandert. Jeder Platform-Lead, mit dem ich in den letzten achtzehn Monaten gesprochen habe, hat dieselbe grobe Kalkulation durchgeführt: Ist es teurer, unsere Vektorsuche und unsere LLM-Feature-Pipelines im Warehouse zu betreiben, oder sie in einen dedizierten Stack auszulagern?

Die Antwort lautet, wenig überraschend, „es hängt vom Workload-Profil ab" – und genau deshalb ist der aggregierte Anbieterumsatz ein nützlicher Proxy. Wenn Snowflake tatsächlich einen KI-getriebenen Anstieg verzeichnet hat, signalisiert das, dass genug Kunden entschieden haben, dass der Komfort von Governance, Lineage und einer einzigen Abrechnung den reinen Compute-Aufschlag überwiegt. Wenn nicht, sagt das das Gegenteil: dass Data-Teams zunehmend mit polyglotten Stacks vertraut sind, bei denen das Warehouse die Gold-Tabellen hält und etwas wie ClickHouse oder ein reines Iceberg-on-S3-Setup den heißen Analysepfad übernimmt.

Keine Antwort ist universell richtig. Was für einen CTO, der das liest, zählt: Die Entscheidung hat aufgehört, eine theologische zu sein, und ist zur finanziellen geworden. Die Zeit, Snowflake zu wählen, weil „es die sichere Wahl ist", geht zu Ende. Wer eine vierteljährliche Cloud-Rechnung still verdoppeln gesehen hat, nachdem ein neues Cortex-nahes Feature aktiviert wurde, kennt die Kosten, wenn man Workload-Wachstum nicht modelliert, bevor man sich festlegt.

Die praktische Konsequenz: Ihre FinOps-Disziplin rund um Consumption-Warehouses muss so ausgereift sein wie Ihr dbt-Projekt. Wenn Sie mit dbt transformieren und Ihre Modelle unkontrolliert wachsen, schreiben Sie praktisch Blankoschecks an den Anbieter, der Ihren Compute besitzt. Das gilt unabhängig davon, ob Snowflake ein gutes oder ein mittelmäßiges Quartal hatte.

Auswirkungen auf die Branche

Für die Branchen, in denen RiverCore-Leser tatsächlich arbeiten, zeigt sich die Frage Snowflake-versus-alle-anderen in sehr unterschiedlichen Formen. Im iGaming-Bereich sind die Workloads bursty und latenzempfindlich: Echtzeit-Wettbewertung, Betrugserkennung, Session-Personalisierung. Ein Consumption-Warehouse kann für den Hot Path ungeeignet sein, aber eine gute Wahl für die dahinterliegende Analyseschicht. Im Fintech-Bereich treiben regulatorische Lineage und Reproduzierbarkeit Teams zu Plattformen, die Audit-Trails günstig machen – was historisch Snowflake und Databricks gegenüber selbst aufgebauten Lakehouses begünstigt hat.

Ad-tech ist der interessante Ausreißer. Die Wirtschaftlichkeit dort hat Warehouse-Preise zur Abfragezeit nie wirklich toleriert – weshalb ein Großteil des Sektors für die Serving-Schicht auf ClickHouse, Druid oder Pinot setzt und Snowflake oder Databricks nur für die Batch-Abstimmung und Modellierungsarbeit verwendet. Wenn AI-Workloads wirklich in Snowflake landen, wird Ad-tech eines der letzten Segmente sein, das das spürt – weil ihre Unit Economics vor Jahren für ein anderes Problem gelöst wurden.

Crypto- und DeFi-Analytics-Teams liegen irgendwo dazwischen. On-Chain-Datenvolumen sind enorm, aber begrenzt, und die Abfragemuster begünstigen spaltenorientierte Engines, die vollständige Historien-Scans verarbeiten können, ohne die Rechnung zu sprengen. Die interessante Frage für diese Teams ist nicht „Sollen wir Snowflake verwenden", sondern „Können wir Warehouse-Grade-Governance auf einem Stack erzielen, der größtenteils aus Parquet in einem Bucket besteht". Die Antwort ist zunehmend ja – und genau das ist der Wettbewerbsdruck, den Snowflakes Zahlen irgendwann widerspiegeln werden, ob in diesem Quartal oder einem späteren.

Was zu beobachten ist

Da ich Ihnen nicht sagen kann, was der September-2026-Bericht tatsächlich zeigte, folgt die Beobachtungsliste, die ich einem Platform-Lead geben würde, der die nächsten Quartale einschätzen möchte. Erstens: Net Revenue Retention. Das ist die eine Zahl, die zeigt, ob bestehende Kunden AI-Workloads innerhalb von Snowflake ausbauen oder still verlagern. Zweitens: jede Offenlegung zu Cortex oder nativem AI-Feature-Umsatz als separate Zeile. Bleibt er gebündelt, behandeln Sie es als Marketing; wird er aufgeschlüsselt, ist das Unternehmen zuversichtlich genug, daran gemessen zu werden.

Drittens: Beobachten Sie, was die Hyperscaler mit ihrer eigenen Warehouse-Preisgestaltung machen. Wenn BigQuery oder Redshift die KI-Inferenz-Preise aggressiv senken, wird Snowflakes Margen-Story unabhängig vom Top-Line-Wachstum schwieriger. Und viertens, das, worüber niemand spricht: Entwickler-Sentiment zum Iceberg-Support. Das Warehouse, das die nächsten fünf Jahre gewinnt, ist jenes, das offene Tabellenformate als erstklassige Bürger behandelt – nicht als defensives Abhaklästchen.

Zurück zum Pub. Der Stammgast hat seine Geschichte heute Abend nicht zu Ende erzählt, aber das bedeutet nicht, dass der Pub leer ist oder die Fragen nicht der Mühe wert sind. Snowflakes tatsächliche September-Zahlen werden irgendwann auffindbar sein – und wenn es so weit ist, prüfen Sie sie anhand der vier oben genannten Signale, nicht anhand der Headline-Wachstumsrate. So unterscheiden Sie ein wirklich KI-getriebenes Quartal von einem marketinggetriebenen.

Wichtige Erkenntnisse

• Der referenzierte Money Morning-Artikel enthielt zum Zeitpunkt der Prüfung keinen substantiellen Inhalt, weshalb keine spezifischen Snowflake-Finanzdaten zitiert werden oder aus diesem Artikel abgeleitet werden sollten.
• Das consumption-basierte Warehouse-Preismodell macht die Übernahme von AI-Workloads im Anbieterumsatz direkt sichtbar – deshalb sind diese Quartale über den Ticker hinaus bedeutsam.
• Branchen unterscheiden sich stark: iGaming und Fintech tendieren zu managed Warehouses für Governance-Zwecke, während Ad-tech-Wirtschaftlichkeit weiterhin dedizierte OLAP-Engines bevorzugt.
• Net Revenue Retention und Iceberg-Support sind bessere Vorlaufindikatoren für Snowflakes AI-Positionierung als Headline-Wachstumsraten.
• FinOps-Disziplin bei Consumption-Compute ist jetzt eine Engineering-Kernanforderung, keine nachgelagerte Aufräumaufgabe.